AI把預測變便宜了，你的公司誰在負責判斷？

多數老闆想到AI，想的是它會不會取代員工。三位經濟學家給了一個更冷靜的答案：AI不是變聰明了，它只是讓「預測」這件事變便宜了。預測是拿現有資訊去填補未知資訊的過程，翻譯、推薦、自動駕駛，底層都在做這件事。便宜的東西不值錢，跟它搭配的東西才會漲價——判斷、資料、行動。而對一個管理者來說，真正該花力氣的從來不是學會用AI寫信，是決定「拿到這個預測之後，我要不要改掉原本的決定」，以及「如果預測不用錢了，這門生意還該用現在這種做法嗎」。

一個決定，其實是兩個動作

書裡把任何決策拆成兩塊：預測告訴你「會發生什麼」，判斷告訴你「面對這個結果該怎麼辦」。這兩個動作平常黏在一起，所以很難察覺自己每天到底在做哪一種。一個主管看報表說「這個月營收會掉一成」，這是預測；接下來決定要不要砍廣告預算、要不要先跟員工說清楚，這才是判斷。判斷需要價值觀、需要權衡後果、需要有人承擔責任，這正是機器接不了手的部分。多數公司犯的錯不是不會判斷，是把大量時間耗在預測上——整理報表、比對數字、找趨勢——結果真正該花力氣的判斷，反而被擠壓到只剩會議最後五分鐘倉促拍板。

資料值不值錢，不是看多而是看獨特

書裡提到一家晶片大廠花了超過一百五十億美元，買下一家做自動駕駛資料採集技術的以色列公司。注意它買的是資料採集的能力，不是演算法——演算法可以複製，資料生態很難複製。這給管理者一個很直接的提醒：你公司手上那些別人拿不到的現場數字，其實比你以為的值錢很多——製程異常紀錄、客訴處理過程、老客戶的下單習慣，這些東西競爭對手花錢也買不到。反過來，如果你的資料庫裡塞的是誰都查得到的公開統計，那就算量再大也換不了多少籌碼。管理者該問的不是「我們有沒有大數據」，是「我們手上有哪一塊資料是別人複製不了的，我們有沒有好好保存和使用它」。

第二層：敢不敢照著預測，改掉一個原本的決定

書裡把AI的用法分成三層。第一層是工具層——拿AI寫信、做摘要、整理資料，工作內容沒變，只是快了。這一層對管理者來說幾乎沒有討論的價值，因為所有人都能用同樣的工具做同樣的事，效率提升很快就會變成人人都有的基準線，不再是誰的優勢。真正拉開差距的從第二層開始：你不只是用它省時間，你開始根據它給的資訊，做出跟以前不一樣的決定。

書裡有個很具體的示範。假設你是零售企業的採購經理，AI告訴你下一季某款產品的需求是一萬件，誤差上下兩千。多數人直接照一萬件下單——這其實還停在第一層，你只是把估算的工作外包出去而已。第二層的人會先問：如果實際只有八千件，我的損失是什麼？如果來到一萬兩千件呢？哪一種錯誤更承受不起？因為預測本身是對稱的，後果幾乎從來不是。缺貨的損失若遠大於庫存積壓，你該訂一萬一千件；反過來就該保守到九千件。AI給的是同一個數字，最後下單量卻差了兩千件，差別完全來自你有沒有問那幾個問題。

這一層卡住多數公司的不是技術，是勇氣。做一個跟以前不一樣的決定，出了事是你自己扛；照著慣例走，錯了至少大家一起錯。很多主管寧可停在「我們也在用AI」這個安全的位置，也不願意真的因為一份預測去改掉一個決策——但那等於主動放棄了整件事裡最值錢的部分。所以想讓團隊走進第二層，你要給的不是工具授權，是決策授權：明確指定某個人有權根據數據做出不同的決定，並且把「這個決定誰負責、錯了怎麼算」講在前面。

第三層：如果預測不用錢，這門生意會長什麼樣

第三層是策略層——你不再只是用AI把原來的事做得更好，而是去做原本根本不可能的事。書裡舉的例子是某家電商巨頭在二○一三年申請的一項專利，叫「預測性購物」：傳統流程是消費者想買、下單、商家出貨；他們的設想是先由AI預測你想買什麼，直接把東西寄給你，你留下要的、退回不要的。這個模式會不會成功不一定，退貨成本可能很高，但它的思路本身就值得學：它問的不是「消費者想要什麼」，而是「如果我們能提前知道消費者想要什麼，整個流程可以怎麼重新設計」。

這就是第三層的標準句型——把「預測很貴」這個前提拿掉，再重新想一遍你現在的做法。你的庫存為什麼要壓在倉庫，是因為不知道誰會買；你的業務為什麼要一家一家拜訪，是因為不知道誰會成交；你的產線為什麼要留緩衝，是因為不知道哪一台會出狀況。這些做法全都是為了對抗「不知道」而設計出來的，而「不知道」這件事正在變便宜。當前提變了，為前提而生的流程就該重寫，這不是效率問題，是商業模式問題。

同樣導入AI，有些公司只是把報表產得更快，有些公司開始改變決策流程，還有極少數重新定義自己在賣什麼。三年之後，這三種公司的差距不會是效率的差距，會是商業模式的差距——而後面這種差距，追不回來。

管理者可以拿走什麼

• 先確認自己有沒有卡在第一層：問自己一個問題——過去三個月，有沒有任何一個決定，是因為某份數據或某個AI輸出而做得跟以前不一樣？如果一個都想不出來，那你們公司再怎麼導入工具，都還停在效率層。
• 拿到預測先問後果，不要直接照數字執行：不管是需求預測、離職風險還是逾期機率，先問如果它偏高兩成、偏低兩成，我的損失分別是什麼，哪一種錯誤更承受不起，再據此把決定往安全的一邊調，而不是照單全收。
• 把決策授權跟責任一起寫下來：指定某個人有權根據數據做出不同的決定，同時白紙黑字寫清楚這個決定誰負責、錯了怎麼算。沒有這一步，團隊永遠只敢拿AI做摘要。
• 每季挑一個流程，做一次「如果不知道變成知道」的推演：挑庫存、排班、客戶拜訪任何一個，問如果我們能提前知道結果，這個流程還需要現在這些步驟嗎？這是走進第三層唯一的練習方式。
• 把難複製的資料列成公司資產：盤點外面拿不到的現場數字——製程異常紀錄、客訴軌跡、老客戶下單習慣，想清楚誰在管、誰有權限用、有沒有在流失。第三層要改造商業模式，燃料就是這些東西。
• 升遷與招募時，把「判斷力」當成獨立指標：不要只看誰的報表做得快、資料查得全。直接問一個情境題——如果這個預測錯了，你會怎麼調整這個決定？看的是他有沒有想過後果，而不是背不背得出數字。

如果是你的公司

過去三個月，你公司裡有哪一個決定，是因為一份預測而做得跟以前不一樣？如果答案是沒有，那你們買的AI工具，買到的其實只有效率，而效率很快就會變成別人也有的東西。

你手上哪一個流程，是專門為了對抗「不知道」而設計的？如果「不知道」明天就消失了，這個流程還剩下多少必要？

你敢不敢明確授權某一個人，讓他能根據數據做出跟慣例不一樣的決定，並且事先講好錯了算誰的？如果不敢，那這就是你們停在第一層的真正原因。

本文整理與分析取材自 YouTube 頻道「簡單經濟學」的影片〈二十六分鐘讀完《AI經濟的策略思維》〉，完整的故事脈絡與說書細節建議前往原片觀看，也歡迎訂閱簡單經濟學支持原創作者持續產出好內容。